林躍森 吳思瑩 莊佳揚 林泰民

摘要：本文對基于多尺度殘差神經(jīng)網(wǎng)絡(luò)的無刷直流電機故障在線監(jiān)測系統(tǒng)設(shè)計進行了研究，結(jié)合人工智能、機器學習和數(shù)據(jù)可視化等技術(shù)，將工業(yè)化和信息化進行融合，設(shè)計了一套能夠在線監(jiān)測以及診斷無刷直流電機故障的系統(tǒng)。

關(guān)鍵詞：電機故障;深度學習;在線監(jiān)測

中圖分類號：TM921.5? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）12-0095-02

0? 引言

近些年，由于無刷直流電機大規(guī)模的研發(fā)和技術(shù)的逐漸成熟，其驅(qū)動系統(tǒng)在工業(yè)生產(chǎn)中的分布范圍也隨之擴大，已逐步成為工業(yè)自動化領(lǐng)域中的發(fā)展主流[1]。各大廠商也提供不同型號的電機以滿足不同驅(qū)動系統(tǒng)的需求。在國內(nèi)，紡織、冶金、印刷、自動化生產(chǎn)流水線、數(shù)控機床等工業(yè)生產(chǎn)方面，無刷直流電機都有涉獵。雖然無刷直流電機應用范圍廣，但一般工作環(huán)境惡劣，易引起機械和電氣故障，進而導致財產(chǎn)損失和安全事故?；诖藢诙喑叨葰埐钌窠?jīng)網(wǎng)絡(luò)的無刷直流電機故障在線監(jiān)測系統(tǒng)設(shè)計進行了研究。

1? 多尺度殘差神經(jīng)網(wǎng)絡(luò)特點

采用人工神經(jīng)網(wǎng)絡(luò)中的多尺度殘差深度神經(jīng)網(wǎng)絡(luò)，此網(wǎng)絡(luò)不僅具有自學習、自適應、非線性映射及良好的泛化能力，還有以下特點：①相對于VGG神經(jīng)網(wǎng)絡(luò)來說，解決了隨著網(wǎng)絡(luò)深度的增加，準確率達到飽和然后迅速退化的問題。②在很大程度上解決了梯度消失和梯度爆炸的問題，它使得數(shù)十層甚至上千層的網(wǎng)絡(luò)在反向傳播的隨機梯度下降上能夠收斂。③更多尺度的卷積核能夠?qū)π盘栠M行更加全面的信息提取。此外，采用多尺度卷積核是因為在一個故障發(fā)生的時候，容易引起其他故障，較小的卷積核能對單一故障進行精確識別，但當故障并發(fā)時，較小的卷積核難以識別出故障發(fā)生的先后，采用大的卷積核能更有效的分清復合故障的類型及其先后順序。

經(jīng)過實驗，電機的不同故障模式將會發(fā)出不同的振動信號。本方案使用IEPE加速度傳感器[2]通過磁鐵座吸在電機安裝支架上快速采集電機運轉(zhuǎn)時產(chǎn)生的振動信號，進而進行小波變換，制成時頻圖[3]，將圖片提取，通過由如圖1、圖2所示的人工神經(jīng)網(wǎng)絡(luò)，從而對未知的無刷直流電機故障進行監(jiān)測和分類。根據(jù)故障分類，發(fā)出對應的警報，即可有效降低生產(chǎn)風險并為電機的維護帶來極大的便利。

卷積神經(jīng)網(wǎng)絡(luò)（CNNs）在圖像識別已經(jīng)顯示出了很有前景的結(jié)果。然而，傳統(tǒng)的CNN不能夠充分利用多尺度信息，每層只能提取一種尺度的特征信息，為了得到更多的特征，通常的做法是加深網(wǎng)絡(luò)層數(shù)，但這種做法容易出現(xiàn)過擬合，也會導致計算資源的增加。

在本文中，我們提出將多尺度殘差網(wǎng)絡(luò)用于振動信號的識別，其網(wǎng)絡(luò)結(jié)構(gòu)可表示為圖1和圖2。

2? 系統(tǒng)設(shè)計思路

圖3給出了系統(tǒng)的總體研究方案，其具體流程步驟如下：①在工作的直流無刷電機上安裝IEPE加速度傳感器采集振動信號。②將采集的信號經(jīng)過數(shù)據(jù)采集器進行放大、濾波、處理后發(fā)送到服務(wù)器。③云服務(wù)器與上位機建立通信，上位機將收到的信號包進行小波變換生成圖像，送入已經(jīng)訓練好的CNN模型進行故障的診斷分類。④上位機將分類結(jié)果上次至服務(wù)器，若分類結(jié)果顯示電機故障，服務(wù)器向機組管理人員發(fā)送報警信號。⑤移動端可通過APP實時查看電機的工作狀態(tài)。

3? 軟件設(shè)計與實現(xiàn)

通過互聯(lián)網(wǎng)即可隨時隨地檢測設(shè)備運行狀態(tài)，當發(fā)生故障時，系統(tǒng)能夠根據(jù)采集到的頻譜或波形數(shù)據(jù)對故障類型進行檢測、識別和報警。

模塊主要功能設(shè)計：①系統(tǒng)模塊中涉及到數(shù)據(jù)采集及數(shù)據(jù)校驗兩個重要步驟，基本流程如圖4所示。②實時監(jiān)控在這里要使用EChart[4]等組件進行數(shù)據(jù)直觀展示（異常的數(shù)據(jù)通過特殊的標簽展示在EChart圖表中），并在Ajax技術(shù)[5]支持下實現(xiàn)數(shù)據(jù)實時刷新。EChart是一個輕量級的JavaScript圖形庫，純js實現(xiàn)，MVC封裝，數(shù)據(jù)驅(qū)動。其特點是重要性和優(yōu)先級依次遞減，設(shè)計效果直觀、生動、能夠交互，可個性化定制，如圖5所示。

可視化功能Echart的基本原理如圖6所示。

4? 結(jié)語

本文對無刷直流電機故障在線監(jiān)測系統(tǒng)的設(shè)計進行了介紹，根據(jù)采集電機發(fā)出的振動信號，進而進行信號分析，變換，制成時頻圖，將圖片提取、構(gòu)造訓練完善的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，從而對無刷直流電機故障進行診斷和分類，并運用EChart圖表以數(shù)據(jù)可視化的形式展示給用戶，為用戶提供更加直觀的數(shù)據(jù)信息，輔助用戶進行決策。

參考文獻：

[1]Lu Siliang and Wang Xiaoxian. A New Methodology to Estimate the Rotating Phase of a BLDC Motor With Its Application in Variable-Speed Bearing Fault Diagnosis[J]. IEEE Transactions on Power Electronics， 2018， 33（4） ： 3399-3410.

[2]宋先進，王志.基于IEPE加速度傳感器的振動測試系統(tǒng)研究[J].安徽職業(yè)技術(shù)學院學報，2019，18（01）：19-22.

[3]王驍賢，張保華，陸思良.基于連續(xù)小波變換和卷積神經(jīng)網(wǎng)絡(luò)的無刷直流電機故障診斷[J].機械與電子，2018，36（06）：29-32.

[4]王子毅，張春海.基于ECharts的數(shù)據(jù)可視化分析組件設(shè)計實現(xiàn)[J].微型機與應用，2016，35（14）：46-48，51.

[5]趙海國.Ajax技術(shù)支持下的ECharts動態(tài)數(shù)據(jù)實時刷新技術(shù)的實現(xiàn)[J].電子技術(shù)，2018，47（03）：25-27，57.